文档处理与向量生成
RAG 工作流程包含文档加载、文档分割、嵌入向量生成，用于把原始文档转为后续可检索的向量数据。
VectorDB 与千帆、LangChain 的接入
示例通过千帆 Embedding、LangChain、pymochow 和 BaiduVectorDB 连接向量数据库，完成知识库问答所需的基础环境。
向量数据库环境
新用户可以创建免费版进行测试；创建百度向量数据库实例时，需要地域、可用区和 BCC 保持在同一个 VPC 内。
访问信息创建成功后，通过实例详情页查看访问地址信息和账号信息，用于访问操作向量数据库。
客户端环境示例使用 BCC 计算型实例作为客户端，安装 Python、LangChain、pymochow、qianfan、pdfplumber 等依赖。
Embedding 与检索器
示例使用 QianfanEmbeddingsEndpoint 初始化向量嵌入，使用 ConnectionParams 配置 endpoint、account、api_key，并初始化 BaiduVectorDB。
table_params示例通过 TableParams(384) 指定表参数。
RetrievalQA示例引入 RetrievalQA，用于检索增强问答链路。
RAG 检索能力如何支撑问答
VectorDB 产品优势和 SDK 文档展示了向量检索、全文检索、混合检索和多向量检索等能力。